如何证明浮点数乘法比加减更失准？验证两种a²-b²计算方式的准确性

一、如何验证(a + b) * (a - b)与a ** 2 - b ** 2的准确性 #

因为手动计算高精度真值不现实，可以用以下两种方法：

1. 借助高精度计算库获取"基准真值" #

Python的decimal模块支持自定义精度的十进制运算，可设置足够高的精度计算理论上的准确值，再将两种浮点数计算方式的结果与这个真值对比误差。

示例代码：

from decimal import Decimal, getcontext

# 设置足够高的精度，确保结果接近真实值
getcontext().prec = 50

def compare_methods(a, b):
    # 用高精度计算真实值
    a_dec = Decimal(str(a))
    b_dec = Decimal(str(b))
    true_value = a_dec ** 2 - b_dec ** 2
    
    # 两种浮点数计算方式的结果
    method1 = (a + b) * (a - b)
    method2 = a ** 2 - b ** 2
    
    # 计算绝对误差
    error1 = abs(Decimal(str(method1)) - true_value)
    error2 = abs(Decimal(str(method2)) - true_value)
    
    print(f"输入a={a}, b={b}")
    print(f"方法1误差: {error1}, 方法2误差: {error2}")
    print(f"更准确的是方法{1 if error1 < error2 else 2}\n")

# 测试普通用例
compare_methods(3.5, 1.5)
# 测试极端用例（a和b接近时）
compare_methods(1.0000000001, 1.0)

运行后会发现，当a和b非常接近时，a ** 2 - b ** 2的误差远大于(a + b) * (a - b)——因为两个接近的大数（a²和b²）相减会丢失大量有效数字，导致精度骤降。

2. 构造极端测试场景 #

针对浮点数精度丢失的典型场景设计测试用例：

• a和b数值接近：比如a=1e16 + 1，b=1e16，此时a²-b²的真实值是2e16+1，但直接计算a**2 - b**2时，由于浮点数无法精确表示1e16+1的平方，相减后会丢失低位信息，结果可能是2e16，而(a+b)*(a-b)的结果更接近真实值。
• a或b是无法精确表示的小数：比如a=0.1，b=0.2，这类十进制小数转二进制浮点数本身就有精度损耗，可对比两种方法的误差差异。

二、关于"浮点数乘法比加减运算产生更多精度误差"的说明 #

这个结论不能一概而论，浮点数加减和乘法的误差特性不同：

• 浮点数乘法的相对误差稳定：根据IEEE 754标准，浮点数乘法的结果是真实乘积舍入到最近的可表示浮点数，相对误差不超过0.5个ULP（单位最后一位），无论参与运算的数量级如何，相对误差的上限固定。
• 浮点数加减的误差依赖于操作数的量级：
  • 当两个数量级相差极大时，相加/相减会丢失小数的低位信息（比如1e16 + 1的结果还是1e16）；
  • 当两个数非常接近时，相减会丢失大量有效数字（比如(1e16+1) - 1e16的结果是0，而非1）；
  • 但如果是两个同量级的数相加/相减，误差同样控制在0.5ULP以内，和乘法相当。

回到你的问题，a**2 - b**2包含两次乘法和一次减法，其中的减法在a和b接近时会引入巨大误差；而(a + b)*(a - b)包含两次加减和一次乘法，加减的误差在多数场景下更可控，因此整体精度更高。如果要验证乘法的误差贡献，可构造加减无误差的场景：比如用两个能精确表示的整数转float（比如a=2.0，b=1.0），此时加减运算完全精确，对比两次乘法（a²、b²）和一次乘法（(a+b)*(a-b)）的误差——但这种场景下误差差异极小，因为乘法的相对误差本身就很小。

内容的提问来源于stack exchange，提问作者user22419592